Desnutrición en poblaciones de la Amazonía, Andes y Afroperuana

Análisis de datos del Ministerio de Salud (MINSA)

Author

Subdirección de Medicina Tradicional, Interculturalidad e Investigación Social (SUMEC-CENSI)

Published

December 17, 2025

La desnutrición se presenta cuando son insuficientes las calorías que se consumen o por la absorción deficiente de la cantidad de nutrientes esenciales (vitaminas y minerales) que permiten mantener la salud. Según la Organización Mundial de la salud, la desnutrición es una de las formas de malnutrición.

La desnutrición, especialmente en los niños, los hace más vulnerables a más enfermedades y el riesgo de quedar con daños permanentes y hasta morir.

Es necesario precisar que la diminución en el registro de los casos de esta problemática de salud se explica por la reducción en las atenciones en los servicios de salud a causa de la pandemia por la Covid-19.

Según el CIE 10, sistema internacional que clasifica las morbilidades para un mejor análisis, la desnutrición comprende las siguientes categorías:

Desnutrición en poblaciones andinas, amazónicas, afroperuanas y mestiza 2019-2021

Code 
library(tidyverse)
library(plotly)
library(DT)
library(rio)

# --- FUNCIÓN AUXILIAR PARA TABLAS DE DESCARGA ---
# Esta función crea estandariza el botón de Excel para todos los gráficos
make_download_table <- function(data_input, filename_label = "datos") {
  datatable(
    data_input,
    extensions = 'Buttons',
    rownames = FALSE,
    options = list(
      dom = 'Bfrtip',
      buttons = list(
        list(extend = 'excel', filename = filename_label, title = filename_label),
        list(extend = 'csv', filename = filename_label)
      ),
      pageLength = 5, # Pocas filas para no ocupar mucho espacio
      scrollX = TRUE,
      language = list(url = '//cdn.datatables.net/plug-ins/1.10.11/i18n/Spanish.json')
    )
  )
}

data_nutricion<- read_csv("data-nutricional.csv")

# 2. PROCESAMIENTO
plot_data <- data_nutricion %>%
  pivot_longer(
    cols = `2019`:`2021`, 
    names_to = "Año_Texto", 
    values_to = "Casos"
  ) %>%
  mutate(
    # Convertimos a número para que el eje X sea continuo y lineal
    Año = as.numeric(Año_Texto),
    
    # Creamos un texto bonito para cuando pases el mouse
    Tooltip_Text = paste0("<b>", `Grupo étnico`, "</b><br>",
                          "Año: ", Año, "<br>",
                          "Casos: ", format(Casos, big.mark = ","))
  )

# 3. GRÁFICO DE TENDENCIAS FACETADO (SEPARADO)
g_tendencias_sep <- ggplot(plot_data, aes(x = Año, y = Casos, color = `Grupo étnico`)) +
  
  # Líneas y Puntos
  geom_line(linewidth = 1.2) +
  geom_point(aes(text = Tooltip_Text), size = 3) +
  
  # --- AQUÍ ESTÁ LA CLAVE: Separar en paneles ---
  # ncol = 2 organiza los gráficos en 2 columnas
  facet_wrap(~`Grupo étnico`, ncol = 2, scales="free_y") + 
  
  # Paleta de colores
  scale_color_brewer(palette = "Set1") +
  
  # Ajustes de Ejes
  scale_x_continuous(breaks = c(2019, 2020, 2021)) +
  scale_y_continuous(labels = scales::comma, limits = c(0, NA)) + # El 0 asegura la comparabilidad
  
  labs(
    title = "Evolución de desnutrición por grupo poblacional",
    subtitle = "Tendencias separadas (2019-2021)",
    x = "",
    y = "Número de Casos (Escala variable)"
  ) +
  
  theme_minimal() +
  theme(
    plot.title = element_text(face = "bold", size = 14),
    strip.text = element_text(face = "bold", size = 12), # Títulos de cada panel más grandes
    strip.background = element_rect(fill = "#f0f0f0", color = NA), # Fondo gris en títulos
    legend.position = "none", # Ocultamos la leyenda (ya está en el título de cada panel)
    panel.grid.minor = element_blank()
  )

# 4. INTERACTIVIDAD
ggplotly(g_tendencias_sep, tooltip = "text") %>%
  layout(
    margin = list(t = 60)
  )
Code 
make_download_table(data_nutricion, "data_nutricion")

En las poblaciones amazónicas, se observa una disminución progresiva en los registros de casos de desnutrición, desde el 2019 al 2021, a diferencia de los otros grupos étnicos. El 2019, registró 21 483; el 2020, 10 126 y el 2021, 7 473. Del 2019 al 2020, disminuyó 53% y del 2020 al 2021, 26%. En las poblaciones andinas, 2019, registró 15 223; el 2020, 6 756 y el 2021, 7 066. Del 2019 al 2020, disminuyó 56% y del 2020 al 2021, aumentó en 5%. En la población afroperuana, aumentaron levemente los registros de casos, el 2019, registró 71 casos de desnutrición; el 2020, 74 y el 2021, 117. Del 2019 al 2020, aumentó 4% y del 2020 al 2021, 58%. uno de los factores puede ser por la disminución de registros por la restricción de los servicios durante la pandemia por la Covid-19.

Desnutrición en etnias del Perú 2019-2021

En “categorías” se desagrega en Kwashiorkor; Marasmo nutricional; Desnutrición proteicocalórica severa, no especificada; Desnutrición proteicocalórica de grado moderado y leve; Retardo del desarrollo debido a desnutrición proteicocalórica; Desnutrición proteicocalórica, no especificada. En la catagoría total, se suma todos los casos.

Code 
library(tidyverse)
library(plotly)
library(stringr)

data_nutricion_etnias<- read_csv("data_nutricion_etnias.csv")
data_nutricion_etnias<- data_nutricion_etnias%>%
  select(Etnias, Categorías, `2019`, `2020`, `2021`)
Code 
#| echo: false
#| warning: false
#| message: false

library(tidyverse)
library(reactable)
library(htmltools)
library(sparkline)
library(scales)

# 2. PROCESAMIENTO
# Añadimos una columna con la lista de valores para generar el 'Sparkline' (minigráfico)
data_tabla <- data_nutricion_etnias %>%
  rowwise() %>%
  mutate(Tendencia = list(c(`2019`, `2020`, `2021`))) %>%
  ungroup()

# 3. CREACIÓN DE LA TABLA REACTABLE
reactable(
  data_tabla,
  pagination = TRUE,
  searchable = TRUE,
  showPageSizeOptions = TRUE,
  striped = TRUE,
  highlight = TRUE,
  defaultPageSize = 10,
  
  # Estilo general
  theme = reactableTheme(
    headerStyle = list(
      backgroundColor = "#aeeec9", # Color verde del encabezado original
      fontWeight = "bold",
      color = "#2e2e2e"
    ),
    borderColor = "#dfe2e5"
  ),
  
  columns = list(
    # Columna Etnias: Negrita y fondo suave
    Etnias = colDef(
      style = list(fontWeight = "bold", backgroundColor = "#f9fbf0"),
      minWidth = 120
    ),
    
    # Columna Categorías: Ancho suficiente para texto largo
    Categorías = colDef(
      minWidth = 250,
      style = list(fontSize = "0.9em", color = "#444")
    ),
    
    # Columna TENDENCIA (Sparkline)
    # Esta es la columna mágica que replica la línea azul del Datawrapper
    Tendencia = colDef(
      name = "2019-2021",
      cell = function(value, index) {
        sparkline(data_tabla$Tendencia[[index]], 
                  type = "line", 
                  width = 100, 
                  height = 25,
                  lineColor = "#18a1cd", # Azul Datawrapper
                  fillColor = "#d6eff7", # Relleno suave
                  spotColor = FALSE, 
                  minSpotColor = FALSE, 
                  maxSpotColor = FALSE)
      },
      minWidth = 120
    ),
    
    # Columnas de Años (Formateo simple)
    `2019` = colDef(maxWidth = 70, align = "center"),
    `2020` = colDef(maxWidth = 70, align = "center"),
    `2021` = colDef(
      maxWidth = 70, 
      align = "center",
      style = list(fontWeight = "bold", backgroundColor = "#f0f0f0") # Destacamos el último año
    )
  ),
  
  # Títulos y Fuentes
  elementId = "tabla-desnutricion"
) %>% 
  # Título externo a la tabla (HTML)
  htmlwidgets::prependContent(
    h3("Desnutrición en etnias del Perú 2019-2021", 
       style = "font-family: Arial; font-weight: bold; margin-bottom: 5px;"),
    p('En "categorías" se desagrega el tipo de desnutrición. En la categoría total, se suma todos los casos.',
      style = "font-family: Arial; color: #666; font-size: 0.9em; margin-bottom: 15px;")
  )

Desnutrición en etnias del Perú 2019-2021

En "categorías" se desagrega el tipo de desnutrición. En la categoría total, se suma todos los casos.

Durante el periodo analizado, 2019 al 2021, las etnias con más registros de casos son Quechua, Awajún, Ashaninka, Aimara, Shipibo-Konibo. Casi en todos aparece primero la categoría retardo del desarrollo debido a desnutrición proteicocalórica, sin embargo, el 2020, en los Aimaras aparece primero la categoría, Desnutrición proteicocalórica, no especificada. El 2021, Quechuas y Aimaras tienen más casos registrados en la categoría Desnutrición proteicocalórica, no especificada. En las etnias amazónicas aparecen más casos de la categoría Retardo del desarrollo debido a desnutrición proteicocalórica.

Desnutrición en poblaciones amazónicas por departamentos 2019-2021

En “categorías” se desagrega en Kwashiorkor; Marasmo nutricional; Desnutrición proteicocalórica severa, no especificada; Desnutrición proteicocalórica de grado moderado y leve; Retardo del desarrollo debido a desnutrición proteicocalórica; Desnutrición proteicocalórica, no especificada. En “total”, se suma todos los casos.

Code 
library(tidyverse)
library(plotly)
library(stringr)

data_nutricion_amazonica<- read_csv("data_amazonicas_depart.csv")
data_nutricion_amazonica<- data_nutricion_amazonica%>%
  select(Departamentos, Categorías, `2019`, `2020`, `2021`)
Code 
#| echo: false
#| warning: false
#| message: false

library(tidyverse)
library(reactable)
library(htmltools)
library(sparkline)

# 2. PROCESAMIENTO
# Añadimos una columna con la lista de valores para generar el 'Sparkline' (minigráfico)
data_tabla <- data_nutricion_amazonica %>%
  rowwise() %>%
  mutate(Tendencia = list(c(`2019`, `2020`, `2021`))) %>%
  ungroup()


# 3. CREACIÓN DE LA TABLA REACTABLE
reactable(
  data_tabla,
  pagination = TRUE,
  searchable = TRUE,
  showPageSizeOptions = TRUE,
  striped = TRUE,
  highlight = TRUE,
  defaultPageSize = 10,
  
  # Estilo general
  theme = reactableTheme(
    headerStyle = list(
      backgroundColor = "#ffe082", # Color verde del encabezado original
      fontWeight = "bold",
      color = "#333"
    ),
    borderColor = "#ddd"
  ),
  
  columns = list(
    # Columna Etnias: Negrita y fondo suave
    Departamentos = colDef(
      style = list(fontWeight = "bold", backgroundColor = "#f3e2a9"),
      minWidth = 130
    ),
    
    # Columna Categorías: Ancho suficiente para texto largo
    Categorías = colDef(
      minWidth = 250,
      style = list(fontSize = "0.9em", color = "#444")
    ),
    
    # Columna TENDENCIA (Sparkline)
    # Esta es la columna mágica que replica la línea azul del Datawrapper
    Tendencia = colDef(
      name = "2019-2021",
      cell = function(value, index) {
        sparkline(data_tabla$Tendencia[[index]], 
                  type = "bar",          # Tipo BARRA (como en tu imagen)
                  barColor = "#ffea00",  # Color de barra amarillo intenso
                  chartRangeMin = 0,
                  width = 80, 
                  height = 20)
      },
      style = list(backgroundColor = "#fffde7"), # Fondo crema para continuidad
      align = "center",
      minWidth = 150
    ),
    
    # Columnas de Años (Formateo simple)
    `2019` = colDef(maxWidth = 70, align = "center"),
    `2020` = colDef(maxWidth = 70, align = "center"),
    `2021` = colDef(
      maxWidth = 70, 
      align = "center",
      style = list(fontWeight = "bold", backgroundColor = "#f0f0f0") # Destacamos el último año
    )
  ),
  
  # Títulos y Fuentes
  elementId = "tabla-desnutricion"
) %>% 
  # Título externo a la tabla (HTML)
  htmlwidgets::prependContent(
    h3("Desnutrición en poblaciones amazónicas del Perú 2019-2021", 
       style = "font-family: Arial; font-weight: bold; margin-bottom: 5px;")
  )

Desnutrición en poblaciones amazónicas del Perú 2019-2021

El 2019 y 2020 aparecen en este orden las regiones con mayores registros: Amazonas, Loreto, Junín y Ucayali, sumando más del 90% de los casos totales en las poblaciones amazónicas. El 2021, continua primero Amazonas, seguido de Junín, Ucayali y Loreto, sumando el 87%.

Desnutrición en poblaciones andinas por departamentos 2019-2021

En “categorías” se desagrega en Kwashiorkor; Marasmo nutricional; Desnutrición proteicocalórica severa, no especificada; Desnutrición proteicocalórica de grado moderado y leve; Retardo del desarrollo debido a desnutrición proteicocalórica; Desnutrición proteicocalórica, no especificada. En la categoría total, se suma todos los casos.

Code 
library(tidyverse)
library(plotly)
library(stringr)

data_nutricion_andinas<- read_csv("data_nutricion_andinas.csv")
data_nutricion_andinas<- data_nutricion_andinas%>%
  select(Departamentos, Categorías, `2019`, `2020`, `2021`)
Code 
#| echo: false
#| warning: false
#| message: false

library(tidyverse)
library(reactable)
library(htmltools)
library(sparkline)

# 2. PROCESAMIENTO
# Añadimos una columna con la lista de valores para generar el 'Sparkline' (minigráfico)
data_tabla <- data_nutricion_andinas %>%
  rowwise() %>%
  mutate(Tendencia = list(c(`2019`, `2020`, `2021`))) %>%
  ungroup()


# 3. CREACIÓN DE LA TABLA REACTABLE
reactable(
  data_tabla,
  pagination = TRUE,
  searchable = TRUE,
  showPageSizeOptions = TRUE,
  striped = TRUE,
  highlight = TRUE,
  defaultPageSize = 10,
  
  # Estilo general
  theme = reactableTheme(
    headerStyle = list(
      backgroundColor = "#6CD4B2", # Color verde del encabezado original
      fontWeight = "bold",
      color = "#333"
    ),
    borderColor = "#ddd"
  ),
  
  columns = list(
    # Columna Etnias: Negrita y fondo suave
    Departamentos = colDef(
      style = list(fontWeight = "bold", backgroundColor = "#A3F2D9"),
      minWidth = 130
    ),
    
    # Columna Categorías: Ancho suficiente para texto largo
    Categorías = colDef(
      minWidth = 250,
      style = list(backrunColor= "#CCF7E9", fontSize = "0.9em", color = "#333")
    ),
    
    # Columna TENDENCIA (Sparkline)
    # Esta es la columna mágica que replica la línea azul del Datawrapper
    Tendencia = colDef(
      name = "2019-2021",
      cell = function(value, index) {
        sparkline(data_tabla$Tendencia[[index]], 
                  type = "bar",          # Tipo BARRA (como en tu imagen)
                  barColor = "#FF9E75",  # Color de barra amarillo intenso
                  chartRangeMin = 0,
                  width = 80, 
                  height = 20)
      },
      style = list(backgroundColor = "#CCF7E9"), # Fondo crema para continuidad
      align = "center",
      minWidth = 150
    ),
    
    # Columnas de Años (Formateo simple)
    `2019` = colDef(maxWidth = 70, align = "center"),
    `2020` = colDef(maxWidth = 70, align = "center"),
    `2021` = colDef(
      maxWidth = 70, 
      align = "center",
      style = list(fontWeight = "bold", backgroundColor = "#f0f0f0") # Destacamos el último año
    )
  ),
  
  # Títulos y Fuentes
  elementId = "tabla-desnutricion"
) %>% 
  # Título externo a la tabla (HTML)
  htmlwidgets::prependContent(
    h3("Desnutrición en poblaciones amazónicas del Perú 2019-2021", 
       style = "font-family: Arial; font-weight: bold; margin-bottom: 5px;")
  )

Desnutrición en poblaciones amazónicas del Perú 2019-2021

En todo el periodo analizado son estas las regiones con mayores registros de casos de desnutrición: Ancash, Ayacucho, Puno y Huancavelica, con más del 90% del total de casos de las poblaciones andinas.

Desnutrición en población afroperuana por departamentos 2019-2021

Code 
library(tidyverse)
library(plotly)
library(stringr)

data_nutricion_afrodescendiente<- read_csv("data_nutricion_afro.csv")
data_nutricion_afrodescendiente<- data_nutricion_afrodescendiente%>%
  select(Departamento, Categorías, `2019`, `2020`, `2021`)
Code 
#| echo: false
#| warning: false
#| message: false

library(tidyverse)
library(reactable)
library(htmltools)
library(sparkline)

# 2. PROCESAMIENTO
# Añadimos una columna con la lista de valores para generar el 'Sparkline' (minigráfico)
data_tabla <- data_nutricion_afrodescendiente %>%
  rowwise() %>%
  mutate(Tendencia = list(c(`2019`, `2020`, `2021`))) %>%
  ungroup()


# 3. CREACIÓN DE LA TABLA REACTABLE
reactable(
  data_tabla,
  pagination = TRUE,
  searchable = TRUE,
  showPageSizeOptions = TRUE,
  striped = TRUE,
  highlight = TRUE,
  defaultPageSize = 10,
  
  # Estilo general
  theme = reactableTheme(
    headerStyle = list(
      backgroundColor = "#66CDAA", # Color verde del encabezado original
      fontWeight = "bold",
      color = "#222"
    ),
    borderColor = "#fff"
  ),
  
  columns = list(
    # Columna Etnias: Negrita y fondo suave
    Departamento = colDef(
      style = list(fontWeight = "bold", backgroundColor = "#BEF7D6"),
      minWidth = 130
    ),
    
    # Columna Categorías: Ancho suficiente para texto largo
    Categorías = colDef(
      minWidth = 250,
      style = list(backrunColor= "#98F5D0", fontSize = "0.9em", color = "#333")
    ),
    
    # Columna TENDENCIA (Sparkline)
    # Esta es la columna mágica que replica la línea azul del Datawrapper
    Tendencia = colDef(
      name = "2019-2021",
      cell = function(value, index) {
        sparkline(data_tabla$Tendencia[[index]], 
                  type = "bar",          # Tipo BARRA (como en tu imagen)
                  barColor = "#00C200",  # Color de barra amarillo intenso
                  chartRangeMin = 0,
                  width = 80, 
                  height = 20)
      },
      style = list(backgroundColor = "#98F5D0"), # Fondo crema para continuidad
      align = "center",
      minWidth = 150
    ),
    
    # Columnas de Años (Formateo simple)
    `2019` = colDef(maxWidth = 70, align = "center"),
    `2020` = colDef(maxWidth = 70, align = "center"),
    `2021` = colDef(
      maxWidth = 70, 
      align = "center",
      style = list(fontWeight = "bold", backgroundColor = "#f0f0f0") # Destacamos el último año
    )
  ),
  
  # Títulos y Fuentes
  elementId = "tabla-desnutricion"
) %>% 
  # Título externo a la tabla (HTML)
  htmlwidgets::prependContent(
    h3("Desnutrición en poblacion afrodescendiente del Perú 2019-2021", 
       style = "font-family: Arial; font-weight: bold; margin-bottom: 5px;")
  )

Desnutrición en poblacion afrodescendiente del Perú 2019-2021

El 2019, las regiones con más registro de casos son Apurímac y Cajamarca, en tanto que el 2020 y el 2021 es Piura.